自然語言處理（NLP）是指機器理解並解釋人類寫作、說話方式的能力。NLP 的目標是讓計算機／機器在理解語言上像人類一樣智慧。最終目標是彌補人類交流（自然語言）和計算機理解（機器語言）之間的差距。有了 NLP，有可能完成自動語音、自動文字編寫這樣的任務。由於大型資料（文字）的存在，我們可以使用計算機的能力，不知疲倦地執行演算法來完成這樣的任務，花費的時間也更少。這些任務包括 NLP 的其他應用，比如自動摘要（生成給定文字的總結）和機器翻譯。

NLP 的機制涉及兩個流程：自然語言理解（NLU）和自然語言生成（NLG）。

自然語言理解（NLU)

NLU 是要理解給定文字的含義。文字內每個單詞的特性與結構需要被理解。在理解結構上，NLU 要理解自然語言中的以下幾個歧義性：

詞法歧義性：單詞有多重含義句法歧義性：語句有多重解析樹語義歧義性：句子有多重含義回指歧義性（Anaphoric Ambiguity）：之前提到的短語或單詞在後面句子中有不同的含義。

接下來，透過使用詞彙和語法規則，理解每個單詞的含義。然而，有些詞有類似的含義（同義詞），有些詞有多重含義（多義詞）。

自然語言理解（NLU）的具體應用有：文字分類、自動摘要、機器翻譯、對話系統、自動回答、閱讀理解等。

自然語言生成(NLG)

NLG 是從結構化資料中以可讀地方式自動生成文字的過程。它可被分為三個階段：

1. 文字規劃：完成結構化資料中基礎內容的規劃。

2. 語句規劃：從結構化資料中組合語句，來表達資訊流。

3. 實現：產生語法通順的語句來表達文字。

自然語言生成(NLG)的主要應用有：自動寫詩、論文寫作、報告生成、新聞寫作、專利寫作、百科寫作等。

以上。你認為相比於NLU，NLG顯得不那麼重要的原因可能是出於如下一個對比，也是如今NLP領域的一個現狀：即如火如荼突飛猛進的機器翻譯（NLP）的風頭壓過了似乎止步不前的NLG，比如NLU最近又取得重大進展，Facebook提出全新CNN機器翻譯：準確度超越谷歌而且還快九倍；在此之前，谷歌在機器翻譯方面也不斷取得新突破： 谷歌翻譯整合神經網路：機器翻譯實現顛覆性突破和谷歌神經機器翻譯再突破：實現高質量多語言翻譯和 zero-shot 翻譯。而於此同時，NLG卻進展甚微，這一方面是由於目前的NLG多使用模版，靈活性較差，缺少泛化能力；另一方面NLG雖然也使用神經網路，但目前技術較不成熟，雖然有一定的泛化能力，但是魯棒性欠佳。

我想，NLU與NLG的關係恰如有監督學習和無監督學習。雖然目前有監督學習進展大，成果豐碩，但是依然沒有放棄收效不大的無監督學習，因為我們知道無監督學習才是人工智慧的未來。同樣，NLG雖然難，但是我們依然不能放棄，NLU與NLG恰如NLP的兩條腿，要走路，少了那個都不行。